[논문 리뷰] Online Bisection with Ring Demands

Mateusz Basiak, Marcin Bieńkowski외 2명|arXiv (Cornell University)|2026. 02. 10.

Optimization and Search Problems인용 수 0

한 줄 요약

이 논문은 링 수요에 대한 온라인 이분화에 대한 무작위 온라인 알고리즘을 제시하고, 클러스터 크기를 최대 (3/4 + ε)·n까지 허용하는 증강으로 O(ε−3 · log^2 n)-경쟁비를 달성한다.

ABSTRACT

The online bisection problem requires maintaining a dynamic partition of $n$ nodes into two equal-sized clusters. Requests arrive sequentially as node pairs. If the nodes lie in different clusters, the algorithm pays unit cost. After each request, the algorithm may migrate nodes between clusters at unit cost per node. This problem models datacenter resource allocation where virtual machines must be assigned to servers, balancing communication costs against migration overhead. We study the variant where requests are restricted to edges of a ring network, an abstraction of ring-allreduce patterns in distributed machine learning. Despite this restriction, the problem remains challenging with an $Ω(n)$ deterministic lower bound. We present a randomized algorithm achieving $O(\varepsilon^{-3} \cdot \log^2 n)$ competitive ratio using resource augmentation that allows clusters of size at most $(3/4 + \varepsilon) \cdot n$. Our approach formulates the problem as a metrical task system with a restricted state space. By limiting the number of cut-edges (i.e., ring edges between clusters) to at most $2k$, where $k = Θ(1/\varepsilon)$, we reduce the state space from exponential to polynomial (i.e., $n^{O(k)}$). The key technical contribution is proving that this restriction increases cost by only a factor of $O(k)$. Our algorithm follows by applying the randomized MTS solution of Bubeck et al. [SODA 2019]. The best result to date for bisection with ring demands is the $O(n \cdot \log n)$-competitive deterministic online algorithm of Rajaraman and Wasim [ESA 2024] for the general setting. While prior work for ring-demands by Räcke et al. [SPAA 2023] achieved $O(\log^3 n)$ for multiple clusters, their approach employs a resource augmentation factor of $2+\varepsilon$, making it inapplicable to bisection.

연구 동기 및 목표

• 데이터 센터에서 링-수요 요청하에 온라인 이분화를 자원 할당 문제로 동기를 부여하고 형식화한다.
• 효율적 온라인 의사결정을 가능하게 하는 희소화된 상태 공간 접근법을 개발한다.
• 증강 하에서 확률적 계량적 작업 시스템(Randomized MTS) 프레임워크가 서브선형 경쟁비를 산출함을 보인다.
• 제약된 상태 공간하에서 보장 가능한 성능을 갖춘 오프라인 구성과 온라인 알고리즘을 제공한다.
• 링 수요에 대한 이전 최상 결과와의 격차를 줄이고 향후 개선 방향을 제시한다.

제안 방법

• 문제를 색상에 대응하는 상태를 가진 계량적 작업 시스템(MTS)으로 모델링한다; 거리는 색상 편집 거리이다.
• 상태 공간을 잘라진 간선(cut-edges)을 최대 2k로 제한하여 제한한다, 여기서 k = Θ(1/ε), 결과적으로 n^O(k) 상태를 얻는다.
• 전역 재균형 절차를 사용하여 α-균형 자르트 집합을 유지하고 불변식 cut(Off) ⊆ cut(Opt)을 유지한다.
• Ak,α 내에서 Off라는 오프라인 알고리즘을 구성하고 |Off(σ)| ≤ O(k)·Opt(σ) + O(n)이다.
• Bubeck 등 의 무작위 MTS 알고리즘을 적용하여 Onl ∈ Ak,α를 얻고 E[Onl(σ)] ≤ O(k^2 · log^2 n) · Off(σ) + β 이다.
• k ≈ 1/ε 그리고 α = 3/2 + 1/k로 설정하여 최종적으로 (3/2 + ε)-증강, O(ε−3 · log^2 n)-경쟁 online 알고리즘을 도출한다.

실험 결과

연구 질문

• RQ1 3/4+ε 증강하에서 링 수요를 갖는 온라인 이분화의 최적 경쟁비는 무엇인가?
• RQ2 상태 공간을 효과적으로 축소하되 경쟁비에 큰 타격 없이 가능할까?
• RQ3 최대 2k 개의 cut-edge로 제한하는 것이 Opt에 비해 총 비용에 어떤 영향을 미치는가?
• RQ4 무작위 MTS 기법이 이 설정에서 서브선형 경쟁비를 달성할 수 있으며, 그 결과 증강 경계는 어떤가?
• RQ5 제시된 오프라인 및 온라인 구성들이 최종 보장을 달성하기 위해 어떻게 결합되는가?

주요 결과

• 링-수요 온라인 이분화에 대해 (3/2 + ε)-증강의 무작위 온라인 알고리즘이 존재하며 경쟁비는 O(ε−3 · log^2 n)이다.
• 자르고 간선들을 최대 2k로 희소화함으로써 상태 공간이 n^O(k)가 되어 해석이 가능하고 MTS 기법의 적용이 가능해진다.
• α = 3/2 + 1/k 인 Ak,α의 오프라인 알고리즘 Off는 Off(σ) ≤ O(k) · Opt(σ) + O(n)을 만족한다.
• Bubeck 등 의 무작위 MTS를 적용하면 Off에 대해 경쟁계수 O(k^2 · log^2 n)의 온라인 알고리즘이 되며 매개변수 선택 후 Opt 대비 O(ε−3 · log^2 n)이다.
• 이 맥락에서 링 수요에 대한 최상 이전 결과는 결정론적으로 O(n · log n)이고 3/2+ε 증강이었으며, 본 연구는 링 특정 제약에서 경쟁비를 개선한다.
• 상한과 하한 사이의 차이를 줄이는 방향과 향후 연구에서 더 작은 증강 계수를 탐구해야 함을 시사한다.